dschlueter
6e5117a33b
33 Tests mit Fakes für die Modellaufrufe: Abschnittsbildung, Glossar (jede Ersetzung trifft die Testdaten), Streaming-Auswertung und Fehlerfälle, Satztrennung, Absatzgliederung inkl. Teilen/Verbinden, Zwischenspeicher und Kommandozeile. Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
114 lines
4.3 KiB
Markdown
114 lines
4.3 KiB
Markdown
# youtube_rede_korrigieren
|
||
|
||
Korrigiert automatische Abschriften deutscher Reden (z. B. YouTube-Untertitel als
|
||
Text) mit einem lokalen Sprachmodell über Ollama: Rechtschreibung, Satzzeichen,
|
||
Hörfehler, Absätze – möglichst wortgetreu, ohne Zusammenfassung oder Glättung.
|
||
|
||
## Voraussetzungen
|
||
|
||
- Python 3 (nur Standardbibliothek)
|
||
- Ollama auf `127.0.0.1:11434` mit dem Modell `qwen3:32b`
|
||
(`ollama pull qwen3:32b`)
|
||
|
||
Für gute Geschwindigkeit muss das Modell komplett in den Grafikspeicher passen.
|
||
Mit `OLLAMA_NUM_PARALLEL=1` braucht `qwen3:32b` bei 16k Kontext rund 24 GB
|
||
(eine RTX 3090). Bei `OLLAMA_NUM_PARALLEL=4` landet ein Drittel auf der CPU und
|
||
der Lauf wird etwa 12-mal langsamer.
|
||
|
||
## Aufruf
|
||
|
||
```bash
|
||
./rede_korrigieren.py -i rede.txt # → rede.korrigiert.txt
|
||
./rede_korrigieren.py -i rede.txt -o out/rede.txt # eigene Ausgabedatei
|
||
./rede_korrigieren.py -i rede.txt -g rede.glossar.txt # mit Glossar
|
||
```
|
||
|
||
| Option | Bedeutung |
|
||
|---|---|
|
||
| `-i`, `--input` | Eingabedatei (Rohabschrift), Pflicht |
|
||
| `-o`, `--output` | Ausgabedatei; Standard: `<Eingabe ohne Endung>.korrigiert.txt` neben der Eingabe |
|
||
| `-g`, `--glossar` | Glossar mit festen Ersetzungen und Schreibweisen |
|
||
|
||
## Ablauf
|
||
|
||
1. **Fließtext:** Untertitel-Zeilenumbrüche werden entfernt.
|
||
2. **Feste Ersetzungen** aus dem Glossar (`falsch => richtig`) werden im Rohtext
|
||
angewendet, bevor das Modell ihn sieht.
|
||
3. **Korrektur:** Der Text wird in Abschnitte von ca. 1200 Wörtern geteilt (immer
|
||
am Satzende) und abschnittsweise vom Modell korrigiert. Fortschritt wird live
|
||
angezeigt.
|
||
4. **Wortzahl-Prüfung:** Weicht die Wortzahl eines Abschnitts um mehr als 5 % ab,
|
||
gibt es eine Warnung (mögliche Auslassungen oder Ergänzungen).
|
||
5. **Absätze:** Das Modell nennt nur Satznummern, an denen ein Absatz beginnt; der
|
||
Text selbst wird dabei nicht verändert. Absätze über 10 Sätze werden nochmals
|
||
geteilt, Absätze unter 3 Sätzen mit dem Nachbarn verbunden.
|
||
|
||
Zweifelhafte Stellen markiert das Modell als `Lesart [prüfen: Originalwortlaut]`.
|
||
|
||
## Glossar
|
||
|
||
Eine Zeile pro Eintrag, `#` leitet Kommentare ein:
|
||
|
||
```text
|
||
# feste Ersetzung (ganze Wörter, Groß-/Kleinschreibung zählt, Reihenfolge = Datei)
|
||
Willly Brand => Willy Brandt
|
||
Kremmel => Kreml
|
||
|
||
# Hinweis fürs Modell (korrekte Schreibweise)
|
||
Multi-Domain Task Force
|
||
```
|
||
|
||
Ersetzungen ohne Treffer werden gemeldet (Tippfehler im Glossar).
|
||
`ramstein.glossar.txt` ist ein Beispiel für eine Rede über die US Air Base Ramstein.
|
||
|
||
## Testdaten
|
||
|
||
`testdaten/` enthält eine Rede über die US Air Base Ramstein:
|
||
|
||
- `ramstein.de.vtt`: automatische YouTube-Untertitel (Original)
|
||
- `ramstein.de.txt`: daraus gewonnener Rohtext (Eingabe für das Programm)
|
||
|
||
```bash
|
||
./rede_korrigieren.py -i testdaten/ramstein.de.txt -g ramstein.glossar.txt
|
||
# → testdaten/ramstein.de.korrigiert.txt (nicht versioniert)
|
||
```
|
||
|
||
Ein Lauf dauert mit `qwen3:32b` vollständig auf einer RTX 3090 etwa 6 Minuten.
|
||
|
||
## Tests
|
||
|
||
```bash
|
||
python3 -m pytest
|
||
```
|
||
|
||
Die Tests brauchen kein Ollama: Modellaufrufe werden durch Fakes ersetzt. Geprüft
|
||
werden Abschnittsbildung, Glossar (inkl. „jede Ersetzung in `ramstein.glossar.txt`
|
||
trifft die Testdaten“), Streaming-Auswertung, Absatzgliederung (Text bleibt
|
||
unverändert, 3–10 Sätze), Zwischenspeicher/Fortsetzen und die Kommandozeile.
|
||
|
||
## Zwischenstände
|
||
|
||
Jeder fertige Abschnitt und jede Absatzgliederung wird in `<Ausgabe>.parts/`
|
||
gespeichert. Ein erneuter Lauf überspringt alles, was schon berechnet ist.
|
||
Ändern sich Modell, Prompt, Glossar oder Text eines Abschnitts, wird genau dieser
|
||
Teil neu berechnet. Den Ordner kann man jederzeit löschen.
|
||
|
||
## Einstellungen
|
||
|
||
Oben in `rede_korrigieren.py`:
|
||
|
||
| Konstante | Standard | Bedeutung |
|
||
|---|---|---|
|
||
| `MODEL` | `qwen3:32b` | Ollama-Modell |
|
||
| `CHUNK_SIZE` | 1200 | Wörter pro Korrekturabschnitt |
|
||
| `MAX_WORD_DEVIATION` | 0.05 | Warnschwelle Wortzahl |
|
||
| `MAX_PARAGRAPH_SENTENCES` | 10 | längster erlaubter Absatz |
|
||
| `MIN_PARAGRAPH_SENTENCES` | 3 | kürzester gewünschter Absatz |
|
||
|
||
## Bekannte Grenzen
|
||
|
||
- `qwen3:32b` ohne Denkmodus erkennt Hörfehler ohne Glossar nur teilweise und
|
||
setzt kaum `[prüfen: …]`-Marken. Bekannte Fehler gehören deshalb ins Glossar.
|
||
- Das Verbinden kurzer Absätze achtet nicht auf den Inhalt.
|
||
- Abkürzungen wie „z. B.“ oder „2. Weltkrieg“ können als Satzende gelten; das
|
||
beeinflusst nur mögliche Absatzgrenzen, nicht den Text.
|